SAB：基于隐写算法的窃取型鲁棒后门攻击
密码学与安全
2024-08-27 v1 人工智能
摘要
联邦学习是一种旨在保护用户隐私的创新网络架构，正在广泛应用于技术领域。然而，鉴于后门攻击在联邦学习中存在，探索联邦学习的安全性显得尤为重要。然而，当前联邦学习研究中所考察的后门容易被人类目视检查或被检测算法抵御。因此，此文旨在开发窃取型且鲁棒的联邦学习后门攻击。我们提出一种新方法SAB，专为联邦学习的后门攻击而设计，提出一种替代的梯度更新机制。基于隐写算法的SAB攻击，使用图像隐写算法构建完整尺寸的触发器以提高后门精度，并通过多损失联合计算产生触发器。SAB的触发器与良性样本之间的距离较小，对人类的感知更为隐蔽。因此，我们的触发器能够缓解或规避特定的后门防御方法。在SAB中，采用下95%方法延长后门攻击的寿命。该方法在梯度的次要值点上进行更新，以降低被清洗的概率。最后，通过稀疏更新提高后门的泛化性以提升后门精度。
引用
@article{arxiv.2408.13773,
title = {SAB:A Stealing and Robust Backdoor Attack based on Steganographic Algorithm against Federated Learning},
author = {Weida Xu and Yang Xu and Sicong Zhang},
journal= {arXiv preprint arXiv:2408.13773},
year = {2024}
}